[發明專利]一種模型訓練方法、裝置、電子設備及存儲介質

在審

• 申請號: 202011110803.4
• 申請日: 2020-10-16
• 公開（公告）號: CN112241452A
• 公開（公告）日: 2021-01-19
• 發明（設計）人: 張言;梁曉旭;鄧遠達
• 申請（專利權）人: 百度(中國)有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/36;G06F40/284;G06K9/62
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

本申請公開了一種模型訓練方法、裝置、電子設備及存儲介質，涉及深度學習技術領域。具體方案為：接收用戶輸入的任務類別標簽；基于任務類別標簽生成與其對應的至少一個訓練樣本；在任務類別標簽對應的全部訓練樣本中提取出一個訓練樣本作為當前訓練樣本；響應于待訓練的模型不滿足預先設置的收斂條件，將當前訓練樣本輸入至待訓練的模型中，使用當前訓練樣本對待訓練的模型進行訓練；重復執行上述提取當前訓練樣本的操作，直到待訓練的模型滿足預先設置的收斂條件。本申請實施例無需預先獲取帶有標注的訓練樣本即可實現模型訓練，極大地減少了人力消耗和人工標注的資金成本。

技術領域

本申請涉及人工智能領域，進一步涉及深度學習技術領域，尤其是一種模型訓練方法、裝置、電子設備及存儲介質。

背景技術

隨著大數據時代的到來，數據獲取變得相對容易，但用于訓練的數據往往需要人工篩選、標注后才可以訓練。大量的訓練數據意味著需要耗費大量的人力、時間、資金進行數據標注，極大的限制了人工智能模型的訓練速度，進而影響模型迭代速度及模型上線時間。

在現有技術中，通常采用有監督的人工智能模型訓練方法，以圖像分類任務為例，人工標注適量帶有標簽的訓練數據，基于傳統的特征提取算子或基于深度學習網絡等提取訓練數據特征，對提取后的特征使用分類器進行分類預測，并將標注的標簽作為期望輸出進行訓練。該方法依賴大量的人工標注數據，需要耗費大量的人力、資金和時間投入到數據標注工作中；當任務緊急的情況下，可能會出現無法獲取大量的帶有標注的數據的情況，進而導致模型短期內達不到性能要求無法上線；若該訓練任務是需要控制極其重要的風險，那么如有風險漏出則會對公司造成無法挽回的后果。由此可見，采用現有的模型訓練方法，不僅模型訓練效率低，而且還可能會導致不可估量的后果。

發明內容

本申請提供了一種模型訓練方法、裝置、電子設備及存儲介質，無需預先獲取帶有標注的訓練樣本即可實現模型訓練，極大地減少了人力消耗和人工標注的資金成本。

第一方面，本申請提供了一種模型訓練方法，所述方法包括：

接收用戶輸入的任務類別標簽；

基于所述任務類別標簽生成與其對應的至少一個訓練樣本；

在所述任務類別標簽對應的全部訓練樣本中提取出一個訓練樣本作為當前訓練樣本；

響應于待訓練的模型不滿足預先設置的收斂條件，將所述當前訓練樣本輸入至所述待訓練的模型中，使用所述當前訓練樣本對所述待訓練的模型進行訓練；重復執行上述提取所述當前訓練樣本的操作，直到所述待訓練的模型滿足所述預先設置的收斂條件。

第二方面，本申請提供了一種模型訓練裝置，所述裝置包括：接收模塊、生成模塊、提取模塊和訓練模塊；其中，

所述接收模塊，用于接收用戶輸入的任務類別標簽；

所述生成模塊，用于基于所述任務類別標簽生成與其對應的至少一個訓練樣本；

所述提取模塊，用于在所述任務類別標簽對應的全部訓練樣本中提取出一個訓練樣本作為當前訓練樣本；

所述訓練模塊，用于響應于待訓練的模型不滿足預先設置的收斂條件，將所述當前訓練樣本輸入至所述待訓練的模型中，使用所述當前訓練樣本對所述待訓練的模型進行訓練；重復執行上述提取所述當前訓練樣本的操作，直到所述待訓練的模型滿足所述預先設置的收斂條件。

第三方面，本申請實施例提供了一種電子設備，包括：

一個或多個處理器；

存儲器，用于存儲一個或多個程序，

當所述一個或多個程序被所述一個或多個處理器執行，使得所述一個或多個處理器實現本申請任意實施例所述的模型訓練方法。